Zeitschrift für Tumorforschung
Offener Zugang

Abstrakt

Identifizierung von Hirntumoren anhand von MRT-Bildern mithilfe eines Convolution Neural Network

Sunil Kumar, Renu Dhir, Nisha Chaurasia

Die Zahl der Todesfälle bei Patienten mit Hirntumoren steigt von Tag zu Tag, da Tumore im Primärstadium nicht richtig untersucht werden. Da Hirntumoren oder Hirnkrebs das lebenswichtige Nervensystem des menschlichen Körpers beeinträchtigen, sind sie eine der tödlichsten Krebsarten. Das Gehirn ist unglaublich anfällig für Infektionen, die seine Funktionen beeinträchtigen können. Gehirnzellen sind empfindlich und können sich nur schwer regenerieren, wenn sie mit gefährlichen Krankheiten infiziert sind. Der Tumor wird als gutartig oder bösartig klassifiziert. Diese Arbeit schlägt eine überlegene Hirntumorerkennung mithilfe von CNN-Ansätzen vor, die auf Deep-Learning-Techniken basieren, um gutartige und bösartige Tumore zu erkennen und zu klassifizieren. In diesem Artikel wird die Verwendung eines Convolution Neural Network (CNN)-Systems zur Klassifizierung verschiedener Arten von Hirntumoren erörtert. Wir haben Leistungsparameter wie Genauigkeit, Präzision und Empfindlichkeit zur Bewertung von Leistungsmodellen verwendet. Der verwendete Datensatz ist ein 3064 T-MRT-Bilddatensatz mit Br35H-MRT-Bildern und ist in 70 % Training, 15 % Validierung und 15 % Test unterteilt. Die CNN-Methode wählt das Merkmal des Br35H-Datensatzes aus. Wir erreichten eine Klassifizierungsgenauigkeit von 99,04 Prozent und eine Validierungsgenauigkeit von 99,00 Prozent.